Förutsägelser på testdatan
I den förra övningen verkade linjär regression och ridge ge liknande resultat. Båda modellerna vore rimliga val, men du kan kontrollera deras prediktiva prestanda på testdatan för att se om någon av dem är bättre.
Du använder rotvärdet av medelkvadratfelet (RMSE) som mått. Ordlistan models, med namn och instanser för de två modellerna, har förinsetts åt dig – liksom tränings- och målarrrayerna X_train_scaled, X_test_scaled, y_train och y_test.
Den här övningen är en del av kursen
Övervakad inlärning med scikit-learn
Övningsinstruktioner
- Importera
root_mean_squared_error. - Träna modellen på de skalade träningssärdragen och träningsetiketterna.
- Gör förutsägelser med hjälp av de skalade testsärdragen.
- Beräkna RMSE genom att skicka in testsetets etiketter och de förutsagda etiketterna.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import root_mean_squared_error
from ____.____ import ____
for name, model in models.items():
# Fit the model to the training data
____
# Make predictions on the test set
y_pred = ____
# Calculate the test_rmse
test_rmse = ____(____, ____)
print("{} Test Set RMSE: {}".format(name, test_rmse))